分析师质疑 Meta 高成本且碎片化的 AI 战略

尽管外界日益批评其战略仍缺乏明确核心，Meta 又推出了一款 AI 产品。最新的 Google News 报道反映出这一矛盾：Meta 能够资助的实验项目比几乎所有竞争对手都多，但分析师仍难以指出哪一款才是其标志性的 AI 产品。

这种张力至关重要，因为 Meta 现在进行实验的成本异常高昂。该公司预计 2026 年资本支出将在 1250 亿至 1450 亿美元之间。它还在重组团队、招募高薪研究人员、构建模型、改进广告系统，并推出面向消费者的智能体。

其结果看起来可能不像一项协调统一的战略，更像是多个争夺优先级的押注。Google 有 Gemini 及其搜索分发渠道。Microsoft 有 Copilot 和企业软件。OpenAI 有 ChatGPT。Meta 拥有无与伦比的社交触达能力，但尚未确立一个同样清晰的理由，让人们选择 Meta AI。

Google News 标题揭示了 Meta 更广泛的问题

将 Meta 的做法称为“把意大利面往墙上扔”颇具挑衅性，但其背后的担忧十分明确：活跃并不自动等于战略聚焦。

Meta 正在推进基础模型、消费者助手、推荐系统、广告自动化、智能眼镜、创作者工具、商业消息服务和自主智能体。这些项目可以共享基础设施，但未必面向同一类客户，也未必遵循同一条变现路径。

随着 Meta 最新的 AI 动向在 Google News 上受到新的关注，这一说法浮出水面。它描述了一家公司正在测试多种可能的交互界面，同时等待用户行为揭示哪一种值得获得更多投资。

这种做法并非不理性。AI 市场变化过快，任何公司都无法自信地预测最终的交互界面。文本聊天、语音助手、可穿戴设备、社交智能体和能够完成任务的软件，仍然都是可行的切入点。

Meta 也拥有足够的现金流，可以同时开展多项实验。其成熟的广告业务能够支撑漫长的研究周期，而这会压垮规模更小的公司。

然而，规模改变了证明标准。适度的产品实验可以根据其带来的经验来评判。而以数千亿美元计的资本项目，则需要证明这些经验将创造持久的经济价值。

Meta 的产品组合尚未给出一个简单答案。其 AI 助手出现在 WhatsApp、Instagram、Facebook、Messenger、独立应用和网页中。这种覆盖带来了曝光，但曝光并不等同于用户偏好。

用户在现有服务中看到一个 AI 按钮，并不意味着他们主动选择了 Meta AI。当管理层将分发能力视为竞争优势时，这一区别尤为重要。

Meta 在 7 月推出的新类智能体功能说明了这一战略。该公司表示，其 Muse 和 Spark 功能将让 Meta AI 能够执行操作，而不只是返回文本。根据公司发布的智能体功能上线说明，这些工具开始通过 Meta AI 应用和 meta.ai 向部分市场推出。

这次发布让 Meta 又多了一次将其社交图谱转化为 AI 优势的机会。但它也引入了另一个需要明确用途、可靠表现和持续使用的产品入口。

怀疑者的解读是，Meta 不断推出新界面，是因为没有单一体验确立领先地位。较为积极的解读则是，该公司正在测试个人 AI 应在何处融入用户生活，等待市场趋于稳定。

这两种解读不可能长期同时成立。最终，使用量和收入必须区分探索与漂移。

Meta 的支出提高了不确定性的代价

Meta 面临的最大压力并非资源不足，而是其投资规模与回报可见度之间日益扩大的差距。

Meta 公布，2026 年第一季度营收为 563.1 亿美元，同比增长 33%。根据第一季度业绩，净利润达到 267.7 亿美元。这些数字说明了该公司为何能够为异常激进的 AI 计划提供资金。

同一份报告将 2026 年预计资本支出上调至 1250 亿至 1450 亿美元。Meta 将增加主要归因于更高的零部件成本，额外的数据中心支出也构成了影响。

上限并非只是一项预算数字。它迫使管理层说明，哪些产品需要这些基础设施，以及这些产品将如何改善 Meta 的经济效益。

广告业务内部已经出现了一些回报。机器学习可以改善内容推荐、广告排序、创意生成和营销活动表现。更好的推荐能够增加用户在 Meta 各应用上的停留时间，而更精准的定向则能提高单次展示的价值。

这些改善具有经济意义。但它们也让讨论变得更复杂，因为新生成式 AI 投资与多年来一直支撑 Meta 业务的系统交织在一起。

一个基础设施集群可能用于训练新的基础模型、服务助手、改进广告工具，或支持推荐系统。投资者很难将维护性支出与投机性产能区分开来。

独立 Meta AI 的价值主张仍不够清晰。Bloomberg Intelligence 分析师 Mandeep Singh 指出，该应用尚未产生可与领先同行相比的互动量，相关观点被总结在一篇关于AI 投资回报的分析中。

这一弱点之所以重要，是因为独立应用最能检验自发需求。用户主动打开它所提供的证据，比在 Instagram 或 WhatsApp 中偶然遇到助手更有说服力。

因此，Meta 必须证明两项不同的命题。第一，AI 必须持续改善其现有广告和社交产品。第二，其新的消费者服务必须变得足够有用，以支撑独立的业务或战略定位。

第一项命题有助于捍卫当前收入。第二项则应当证明 Meta 在下一代计算平台中的位置。

这就是为什么 Google News 的讨论超出了某位分析师的比喻。市场在问，Meta 是在构建一个整合式 AI 系统，还是在资助多个尚未形成明确层级的项目。

投资者已经显示出对这一问题的敏感性。尽管营收和利润均超出预期，Meta 在公布 4 月业绩后，盘后股价仍下跌逾 6%。

股价反应并不能证明这一战略是错误的。它表明，强劲的当前盈利已不足以终结围绕未来支出的争论。

Meta 也在缩减员工人数，同时将更多资源投向基础设施和专业 AI 人才。这种组合加剧了内部压力。非最受青睐研究团队之外的团队，必须争夺算力、人员和高管关注。

对员工而言，被迫作出的回应是优先级排序。对投资者而言，是更明确的回报时间表。对管理层而言，则是一款能够将巨额基础设施支出与可衡量用户行为联系起来的产品。

Meta 真正的对手是战略一致性

核心竞争并不只是 Meta 对阵 Google 或 OpenAI，而是 Meta 所承诺的个人超级智能，与其仍然碎片化的产品现实之间的较量。

Mark Zuckerberg 将长期目标定义为面向数十亿人的个人超级智能。这一说法暗示了一种能够理解个人、跨场景工作并执行有用操作的助手。

Meta 的资产与这一雄心相契合。Facebook、Instagram、Messenger 和 WhatsApp 包含社交关系、对话、兴趣、社群、商家和创作者。智能眼镜则增加了一个物理交互界面，能够从用户视角看见和听见。

很少有公司能够将如此广泛的分发能力与消费者情境结合起来。Meta 报告称，2026 年 3 月，每天有 35.6 亿人至少使用其一款应用。

分发能力可以解决发现问题，但无法解决信任或产品质量问题。个人智能体必须可靠地理解请求、保留上下文、管理权限，并在不造成意外后果的情况下采取行动。

该公司还需要决定这些组成部分如何协同。独立应用是否是主要目的地？WhatsApp 是否是对话界面？Ray-Ban Meta 眼镜是否会成为最终的硬件层？Instagram 智能体是否主要是创作者工具？商业智能体是否是消息服务的延伸？

每种答案都可以支撑更广泛的使命。但同时呈现所有答案，会让这一使命更难评估。

Google 的路径更容易描述。Gemini 与搜索、Android、Workspace、云服务以及 Google 现有的知识系统相连接。Microsoft 将 Copilot 与办公软件和 Azure 相连。OpenAI 则先通过 ChatGPT 建立直接的消费者需求，随后再向智能体和企业工具扩展。

Meta 的既有产品并非围绕助手而设计。该公司必须将 AI 嵌入那些已经拥有鲜明身份和交互模式的服务中。

这带来了功能丰富却未改变行为的风险。用户可能会在聊天中生成一张图片，或快速提一个问题，却不会将 Meta AI 作为默认助手。

独立应用原本旨在让这种选择更明确。然而，它进入的是一个拥挤市场，人们已经将通用助手与 ChatGPT、Gemini、Claude 或 Perplexity 联系起来。

Meta 的回应是强调其社交优势。个性化助手或许能够利用传统聊天机器人无法获取的兴趣和关系。社交智能体也可以与创作者、群组和商家互动。

这一想法带来了重大的隐私和安全问题。改善个性化的上下文，往往也是用户认为敏感的上下文。

Meta 必须建立普通用户能够理解的权限边界。它还必须防止智能体将推断出的偏好视为已确认的指令。

对可信上下文的需求，使个人知识管理在 Meta 自身应用之外也具有相关性。人们越来越需要一种方式，既能保存有用信息，又能控制助手可以检索什么。个人知识库为这种分离提供了一种模型。

Meta 尚未证明其社交上下文能够持续产出更好的助手。在此之前，其分发优势仍是一种机会，而非已被验证的护城河。

这种承诺与现实之间的冲突，是分散发布不断招致批评的主要原因。每一项新功能都会扩大这一承诺的覆盖范围，但很少有功能真正减少了对最终产品的不确定性。

实验可以奏效，但 Meta 需要一套筛选机制

只有当 Meta 能够识别赢家、关停表现疲弱的项目，并在不让用户困惑的情况下调配资源时，尝试多种产品才是合理的。

科技公司经常利用并行实验来发现新的行为模式。Meta 自身的发展历程也支持这种方法。其向移动端转型、对短视频的投入以及推荐系统的发展，都经历了多年的迭代。

AI 带来了更多不确定性。模型能力可能在数月内发生变化，基础设施却要提前数年订购，而消费者预期会随着每一次重大发布而改变。

僵化的计划本身会带来风险。Meta 可能过早选定某一种界面，从而错过用户最终偏好的形态。

关键问题在于筛选机制。实验性策略需要可衡量的标准，以决定哪些方向值得扩大投入。

对于面向消费者的助手而言，这些标准不应仅限于注册量或强制曝光。更有用的指标包括自发的每周使用、重复完成任务、成功执行操作、在最初的新鲜感消退后的留存，以及用户在 Meta 各个平台之间的迁移情况。

Agent 产品需要更严格的评估。聊天机器人可能给出不完美的答案，而用户选择忽略即可。但如果 Agent 发送消息、更改预订，或与企业互动，就可能造成实际后果。

Meta 必须在追踪任务完成情况的同时，关注纠正操作、撤销操作和权限失败。若用户经常需要修正 Agent 的工作成果，高互动量也没有太大意义。

产品整合也需要一套一致的模型。用户应当明白，Meta AI 是否在 WhatsApp、Instagram、眼镜和独立应用中维持同一身份。他们也应知道哪些信息会在这些服务之间流动。

缺乏这种清晰度时，每增加一个入口都会提升认知负担。同一项功能可能会因用户在何处接触到它而表现不同。

组织结构与界面同样重要。在其 AI 项目的模型进展和领导层受到质疑后，Meta 成立了 Meta Superintelligence Labs。该公司还对 Scale AI 进行了重大投资，并招募了其创始人 Alexandr Wang。

这笔 Scale AI 交易在 2025 年的估值为 143 亿美元。它让 Meta 获得了一家以数据服务和评估基础设施闻名公司的大量股份，同时也将 Wang 纳入其 AI 领导团队。

这一举动传递出紧迫感，也引发了新组织将如何与既有研究和产品团队共存的问题。

内部产品组合可以奏效，前提是每个团队负责不同层级。一个团队可以构建前沿模型，另一个团队可以开发评估系统，而产品团队则可为特定受众调整这些能力。

当团队追逐重叠的模型、争夺同一批算力，或不断面对变化的优先级时，问题就会出现。此时，重组便会成为替代产品筛选的手段。

Meta 已经经历了明显的动荡。有报道称，该公司出现了团队重组、人员离职、裁员以及围绕资源分配的争议。在重大战略重置后，一定程度的扰动可以预期；但反复变化可能拖慢本应加速的工作。

该公司的开放模型历史还带来了另一个尚未解决的选择。Llama 让 Meta 在开发者群体中获得影响力，因为各机构可以在 Meta 的许可下下载并调整其模型。

更强的专有策略或许能改善控制力，并支持面向消费者的差异化；但它也可能削弱帮助 Llama 获得影响力的外部开发者支持。

Meta 不必将开放模型和闭源模型视为绝对对立的选择。但它确实需要说明将发布哪些能力、保留哪些能力，以及每项决定如何服务于同一产品战略。

另一种结果则是一系列各自看似合理、却指向不同方向的选择。这正是批评者所说的“往墙上扔意大利面”。

因此，Google News 的读者应将这一比喻与运营层面的真正问题区分开来。问题不在于实验本身，而在于缺乏可见收敛规则的实验。

“意大利面”批评并不能证明什么

Meta 杂乱的呈现方式并不能证明其 AI 投资正在失败，但该公司也尚未提供足够证据来消除这种担忧。

这种批评最严厉的版本假定，每一项产品都必须立即展现直接收入。这一标准忽视了基础设施和研究投资成熟所需的时间。

今天订购的训练能力，可能在很久之后才会支持发布的模型和产品。研究团队带来的改进也会扩散到推荐、内容完整性系统、广告和内容工具中。

Meta 当前的业务表现证明，其更广泛的机器学习投资正在创造价值。2026 年第一季度，其营收同比增长 33%，盈利也超出分析师预期。

这些结果并不能单独衡量 Meta Superintelligence Labs 的影响，但它们表明该公司并非在一个正在崩塌的业务基础上为 AI 提供资金。

支持者也指出 Meta 的分发能力。该公司可以将一项新功能呈现在数十亿人面前，而无需向另一个平台支付访问费用。

如果助手演变为日常沟通工具，这一优势会变得更加重要。Meta 已经运营着许多社交和商业对话发生的场所。

智能眼镜则提供了另一条可信路径。能够回应用户所见内容的助手，与在笔记本电脑上打开的聊天机器人带来的体验不同。

这些优势使得现在就断言 Meta 的战略失败还为时过早。该公司有能力承担迭代，拥有重要的界面入口，并且其盈利业务可独立于任何独立助手而受益于 AI。

然而，这些优势也可能助长松散的纪律。低成本分发可能让一款产品看似已被采用，尽管用户只是恰好遇到它。充裕的现金流可以让一个方向不明的项目存活得比小型公司所能承受的时间更久。

广告业务也可能掩盖前沿研究的经济账。如果推荐收益抵消了部分支出，管理层便可以宣称取得进展，却无需证明其最新模型是否具备竞争力。

批评者因此会想起 Reality Labs。尽管消费者采用有限，Meta 仍长期且高成本地投入虚拟现实和增强现实。其耐心带来了有用的硬件和研究成果，但也产生了巨额运营亏损。

AI 与元宇宙不同，因为它已经在改善 Meta 的核心产品，也在更广泛的市场中拥有更清晰的近期需求。

不过，这一历史比较会影响投资者信任。管理层必须证明，AI 拥有更强的反馈循环、更快的产品学习速度，以及更有纪律的资源分配。

“意大利面”这一指控还可能将不同项目简单归为一类。推荐算法、生成式广告、基础模型、可穿戴设备和 Agent 服务于不同目标。

一项独立功能失败，并不会抹去广告领域的收益。一款成功的广告工具，也不能证明 Meta 已经打造出领先的个人助手。

正确的评估应当将这些结果分开看待。Meta 应在存在可衡量业务成果的地方获得认可，并在产品逻辑仍未经验证的地方接受审视。

Morningstar 的分析师曾将核心业务描述为健康，但警告不断上升的资本支出和不确定的生成式 AI 回报正在拖累投资逻辑。根据该公司的资本支出评估，其分析将担忧描述为投资者对 Meta 早期实验性支出的记忆再度浮现。

JPMorgan 也在 2026 年下调了 Meta 的评级，并提到 AI 产品管线的可见性有限。这种表述很重要。质疑并非认为 Meta 没有技术，而是外部观察者无法将其产品管线与足够明确的回报联系起来。

Meta 可以用证据回应这种批评，而不是再喊一个口号。它需要提供可比较的模型结果、持久的产品留存、Agent 可靠性，以及对基础设施回报更清晰的说明。

在这些证据出现之前，乐观与怀疑都仍带有一定的推测性。

三个信号将显示 Meta 的 AI 战略是否正在收敛

Meta 的 AI 故事下一阶段取决于产品留存、财务披露，以及其 Agent 能否安全地完成有用工作的证据。

第一个信号是，在最新 Agent 功能覆盖更多市场后，用户是否会重复使用 Meta AI。初始下载量或功能曝光量揭示的信息很少，因为 Meta 可以通过推广和入口位置同时制造两者。

更有力的信号是自发留存。用户应当持续回来完成有意义的任务，而不是偶尔提出新奇的问题。

Meta 还应披露，人们是否会在其 AI 各个入口之间流动。一套连贯的系统应让用户能够通过眼镜开始、在 WhatsApp 中继续，并在独立应用中查看结果，而不会感到困惑。

如果这种行为持续增长，将强化 Meta 关于其产品组合构成统一个人助手的主张。若每个入口只带来孤立且浅层的使用，“分散战略”的批评就会更具说服力。

第二个信号是该公司下一次对资本支出的财务说明。投资者需要的不只是数据中心、服务器和组件的又一个总额。

他们需要看到管理层能够将产能与结果联系起来的证据。这可能包括广告效率、推荐改进、推理需求、企业消息使用情况，或消费者 Agent 的采用率。

Meta 不必披露具有竞争敏感性的细节，但确实需要区分支持当前产品的基础设施与为不确定的未来模型预留的产能。

更清晰的区分会让 1250 亿至 1450 亿美元的区间更容易评估。若支出持续增长却没有更好的披露，将加深人们对投入增速快于战略发展的担忧。

第三个信号是 Muse、Spark 以及后续 Agent 是否能够可靠地完成操作。这些系统很重要，因为它们检验了 Meta 从生成答案转向实际执行任务的软件的转变。

一个有用的 Agent 应能完成定义明确的任务，在恰当时机请求权限，并保留供用户检查的记录。当服务失败或请求含糊时，它也应能清晰地恢复处理。

安全事故、行为不一致或较低的完成率，都会削弱快速扩张的理由。在消息沟通、创作者工作或商业对话中实现可靠使用，将为 Meta 提供一个具体的产品核心。

开发者应关注 Meta 是否发布评估方法和稳定的接口。企业买家应审视权限控制、可审计性和数据边界。知识工作者应思考，该系统能否保留有用的上下文，同时不会默认让每一次私人互动都可被访问。

这些测试比 Meta 宣布的模型或功能数量更有意义。它们揭示了该组织是否正在从实验中学习。

Google News 的标题之所以有效，是因为它把复杂的担忧压缩成一个熟悉的画面。Meta 似乎正在测试许多想法，同时以一种令等待异常昂贵的规模进行投入。

然而，实验并不是结论。结论取决于 Meta 能否停止将每一个入口都视为候选项，并选择那些用户会反复认可的体验。

未来几个月，请忽略公告的数量，关注筛选过程。哪一个 Agent 能持续让用户回来？哪一款产品能获得更多资源？哪一项计划会被关闭？

这些决定将显示，Meta 是否仍在向墙上抛掷想法，还是终于找到了它打算围绕构建的 AI 产品。